$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Centenas, talvez até milhares de pequenas RNAs regulatórias (sRNAs) foram identificadas na maioria dos genomas bacterianos, mas as funções da grande maioria deles permanecem descaracterizadas. No geral, as sRNAs são moléculas curtas sem codificação, desempenhando papéis importantes na fisiologia bacteriana e adaptação a ambientes flutuantes1,2,3. De fato, essas macromoléculas estão no centro de inúmeras redes regulatórias intrincadas, impactando vias metabólicas, respostas ao estresse, mas também virulência e resistência a antibióticos. Logicamente, sua síntese é desencadeada por estímulos ambientais específicos (por exemplo, fome de nutrientes, estresse oxidativo ou membrana). A maioria dos sRNAs regulam mRNAs de alvo múltiplos no nível pós-transcrição através de emparelhamento de base curto e não contíguo. Eles geralmente impedem a iniciação da tradução competindo com ribossomos para as regiões de iniciação de tradução4. A formação de duplexes sRNA:mRNA também frequentemente resulta na degradação ativa do mRNA alvo por meio do recrutamento de RNases específicos.
A caracterização de um targetome sRNA (ou seja, todo o conjunto de suas RNAs alvo) permite a identificação das vias metabólicas nas quais ele intervém e o sinal potencial a que responde. Consequentemente, as funções de um sRNA específico geralmente podem ser inferidas a partir de seu targetome. Para isso, várias ferramentas de previsão de silico foram desenvolvidas, como IntaRNA e CopraRNA5,6,7. Eles notavelmente contam com complementaridade de sequência, emparelhamento de energia e acessibilidade do potencial local de interação para determinar parceiros de sRNA putativos. No entanto, os algoritmos de previsão não integram todos os fatores que influenciam o emparelhamento de base in vivo, como o envolvimento de acompanhantesrna 8 favorecendo interações sub-ideais ou a co-expressão de ambos os parceiros. Devido às suas limitações inerentes, a taxa falsa positiva de ferramentas de predição permanece alta. A maioria das abordagens experimentais em larga escala baseia-se na co-purificação de casais sRNA:mRNA interagindo com uma proteína de ligação de RNA (RBP)6,9. Por exemplo, o método RNA Interaction by Ligation and sequencing (RIL-seq) identificou duplexes RNA co-purificados com acompanhantes de RNA como Hfq e ProQ em Escherichia coli10,11. Uma tecnologia semelhante chamada UV-Crosslinking, Ligation and Sequencing of Hybrids (CLASH) foi aplicada aos SRNAs associados ao RNase E e Hfq em E. coli12,13. Apesar dos papéis bem descritos do Hfq e do ProQ na regulação mediada pelo SRNA em múltiplas bactérias8,14,15, a regulamentação baseada em sRNA parece ser independente de RNA em vários organismos como S. aureus16,17,18. Mesmo que a purificação dos duplexes de RNA em associação com rnases seja viável, como demonstrado por Waters e colegas de trabalho13,isso permanece complicado à medida que as RNases desencadeiam sua rápida degradação. Assim, a Purificação MS2-Affinity juntamente com a abordagem RNA Sequencing (MAPS)19,20 constitui uma alternativa sólida nesses organismos.
Ao contrário dos métodos acima mencionados, o MAPS usa um sRNA específico como isca para capturar todos os RNAs interagindos e, portanto, não depende do envolvimento de um RBP. Todo o processo é retratado na Figura 1. Resumindo, o sRNA é marcado no 5' com o aptamer MS2 RNA que é especificamente reconhecido pela proteína do casaco MS2. Esta proteína é fundida com a proteína de ligação maltosa (MBP) a ser imobilizada em uma resina de amilose. Portanto, o MS2-sRNA e seus parceiros RNA são mantidos na coluna de cromatografia de afinidade. Após a elução com maltose, os RNAs co-purificados são identificados utilizando-sequenciamento de RNA de alto rendimento seguido de análise bioinformática(Figura 2). A tecnologia MAPS acaba por desenhar um mapa interativo de todas as interações potenciais que ocorrem in vivo.
A tecnologia MAPS foi originalmente implementada na bactéria gram-negativa não patogênica E. coli21. Notavelmente, o MAPS ajudou a identificar um fragmento derivado de tRNA interagindo especificamente com os sRNAs ryhB e RybB e impedindo qualquer ruído transcricional sRNA para regular os alvos de mRNA em condições não indutoras. A partir daí, o MAPS foi aplicado com sucesso a outros E. coli sRNAs como DsrA22, RprA23, CyaR23 e GcvB24 (Tabela 1). Além de confirmar alvos previamente conhecidos, o MAPS estendeu o targetome desses sRNAs conhecidos. Recentemente, o MAPS foi realizado em Salmonella Typhimurium e revelou que o SRNA da SraL se liga ao rho mRNA, codificando para um fator de rescisão de transcrição25. Através deste emparelhamento, a SraL protege rho mRNA da rescisão de transcrição prematura desencadeada pela própria Rho. Curiosamente, essa tecnologia não se restringe aos sRNAs e pode ser aplicada a qualquer tipo de RNAs celular como exemplificado pelo uso de um fragmento derivado de tRNA26 e uma região não traduzida de 5'-untranslated de mRNA22 (Tabela 1).
O método MAPS também foi adaptado à bactéria gram-positiva patogênica S. aureus19. Especificamente, o protocolo de lise foi amplamente modificado para quebrar células eficientemente devido a uma parede celular mais espessa do que as bactérias Gram-negativas e para manter a integridade do RNA. Este protocolo adaptado já desvendou o interactome do RsaA27, RsaI28 e RsaC29. Essa abordagem deu insights sobre o papel crucial dessas sRNAs nos mecanismos regulatórios das propriedades da superfície celular, captação de glicose e respostas ao estresse oxidativo.
O protocolo desenvolvido e implementado em E. coli em 2015 foi recentemente descrito em grande detalhe30. Aqui, fornecemos o protocolo MAPS modificado, que é particularmente adequado para estudar redes reguladoras de sRNA em bactérias Gram-positivas (parede celular mais grossa), sejam elas não patogênicas ou patogênicas (precauções de segurança).